本页面面向对科研训练感兴趣的本科生，尤其适合物理、天文及相关理科专业的同学。课题组的研究围绕星系形成与演化展开，使用国际一流巡天、空间望远镜、地面大型望远镜和数值模拟数据，包括 SDSS、DESI、Euclid、CSST、JWST、VLT-MUSE、ALMA、IllustrisTNG、EAGLE 等。即使此前没有系统学习过天文学，也可以根据自己的兴趣，从合适的方向开始。
参与这些课题的目的不只是完成毕业论文或大学生创新项目，更重要的是接触真实的前沿科学问题，学习通用科研能力，并在这个过程中了解自己是否喜欢科研、适合哪类科研。只要有兴趣、有动力、愿意持续学习，就可以在训练中逐步掌握需要的知识和方法。
这一方向使用大规模巡天数据研究星系群体的统计规律。可以把它理解为：从几十万到数百万个星系中寻找宏观规律，通过总结和归纳理解星系的质量、颜色、形态、恒星形成活动和环境之间的关系。
常用数据包括 SDSS、DESI、Euclid 和未来 CSST 等国际大型巡天。这类研究的特点是从大样本中寻找共性，用统计证据回答科学问题；它既能训练科学归纳能力，也能训练具有很强拓展性的通用技术方法。
可以开展的课题：
通过这类课题，可以学习如何从复杂数据中提出问题、建立样本、识别规律并检验结论，同时训练数据检索、统计分析、程序设计和科学作图能力。这些能力不仅适用于天文学，也适用于数据科学、人工智能、物理实验和其他理科研究方向。
这一方向关注单个或少量特殊星系，利用高质量观测数据研究具体物理过程。可以把它理解为：用最强大的观测设备直接探测未知对象，像“解剖”一个星系一样，看它的图像、光谱、速度场和化学丰度，理解它为什么特殊。
常用数据包括 JWST、VLT-MUSE、ALMA 以及大型地面望远镜和空间望远镜的高质量观测数据。这类课题不一定局限于空间分辨观测，也可以围绕高精度测光、光谱、速度场或多波段数据展开。它的特点是直观、具体，常常从一个特殊天体出发，以小见大地理解更普遍的物理过程。
可以开展的课题：
通过这类课题，可以学习如何从观测数据中提取物理信息，理解图像、光谱、速度场和多波段观测背后的物理过程，也能了解望远镜、光谱仪、探测器和观测策略如何决定我们能够看到什么。这种对天文仪器和观测数据的理解，是开展天文研究的重要基础。
这一方向使用宇宙学数值模拟研究星系如何在理论模型中形成和演化。可以把它理解为：在计算机中生成“模拟宇宙”，再把模拟星系和真实观测星系进行比较。
常用数据包括 IllustrisTNG、EAGLE 等国际主流模拟项目。适合对理论物理、计算、数据分析和物理机制感兴趣的同学。
可以开展的课题：
通过这类课题，可以接触理论模型、计算数据和观测检验之间的联系，训练从物理问题到数据分析再到科学解释的完整思路。即使未来不从事天文学，这类训练也有助于理解数值模拟、科学计算和理论建模。
这一方向探索人工智能和自动化工具在天文研究中的应用。可以把它理解为：让计算机帮助我们识别星系、整理数据、阅读文献、生成分析流程。
适合对机器学习、大语言模型、自动化工具或数据科学感兴趣的同学。相关的 Python 和算法工具都可以在具体课题中逐步学习；即使将来不做天文，这类训练也具有很强的通用价值。
可以开展的课题：
通过这类课题，可以训练机器学习、自动化流程、数据整理、文献处理和工具开发能力。这些能力具有很强的通用性，对未来从事科研、数据分析、软件开发或人工智能相关工作都有帮助。
这一方向面向师范专业和对科学教育感兴趣的同学，围绕天文通识教育、科普教育和公众科学传播开展项目。可以把它理解为：把前沿天文学问题转化为不同年龄段学生和公众能够理解、愿意参与的课程、活动和科普内容。
这类课题既可以结合真实天文数据，也可以结合课堂教学、科普讲座、互动演示和新媒体传播。适合希望未来从事教师职业、科学教育、科普传播或公众科学服务的同学。
可以开展的课题：
通过这类课题，可以训练科学表达、课程设计、公众沟通、内容创作和教育创新能力。它不限制专业背景，只要对天文教育、科学传播或公众科普有兴趣，都可以参与并逐步形成自己的特色。
参与课题的同学将根据兴趣和课题需要逐步训练：
这些训练不只服务于天文学，也适合未来继续读研、从事数据分析、科学计算、人工智能、科学教育或其他理工科研究方向。
不要求一开始就具备完整科研经验，也不要求一开始就懂天文学。更重要的是：
科研训练本身就是学习过程。只要愿意开始、愿意坚持，就可以在具体课题中逐步获得知识、方法和信心。
欢迎感兴趣的同学通过邮件联系。来信时可以简单说明：